🤖 Машинное обучение и корпоративная культура: уроки от CEO Workday 0:00
Анил Бхусри, сооснователь и генеральный директор Workday, в беседе с каналом CXOTalk обсудил стратегическую роль машинного обучения (ML) в enterprise-секторе и важность построения «культуры, ориентированной на сотрудников». Бхусри, обладающий более чем 20-летним опытом в сфере программного обеспечения, подчеркнул, что сегодня бизнес-лидеры должны смотреть на ML не как на «хайповую» технологию, а как на фундаментальный инструмент для повышения качества принятия решений.
🧠 Машинное обучение: новая граница бизнеса 2:53
По мнению Анила Бхусри, если последние 15 лет развития облачных технологий были посвящены переносу бизнес-процессов в «облако» и улучшению пользовательского опыта, то следующие 15 лет пройдут под знаком использования данных для прогнозирования.
- Суть ML: Это не замена человека, а симбиоз. Машины превосходно справляются с анализом огромных массивов данных и поиском скрытых паттернов, тогда как люди вносят критически важный элемент — суждение (judgment).
- Сферы применения: Бхусри выделяет три ключевых направления для бизнеса: предсказание событий, обнаружение аномалий и интеллектуальная автоматизация.
- Практический пример: В Workday ML используется для планирования карьеры сотрудников. Система анализирует данные о тех, кто достиг успеха в компании, и за секунды предлагает пользователю наиболее логичный следующий шаг в его развитии — задачу, на которую у человека ушли бы годы.
Бхусри отмечает, что differentiation (конкурентное преимущество) сегодня заключается не в самих алгоритмах — они стандартизированы (например, Google TensorFlow) — а в качестве данных, их контекстной интерпретации и знании предметной области (HR, финансы).
⚖️ Этика и доверие в эпоху данных 9:43
Работа с ML неизбежно ставит вопрос об ответственности. Бхусри настаивает: данные принадлежат клиентам, а не разработчику, поэтому Workday придерживается строгой этической рамки.
- Прозрачность: Сотрудники должны знать, что их данные используются для ML-моделей.
- Opt-in: Бхусри считает, что модель «согласия» (opt-in) эффективнее модели «отказа» (opt-out), так как она строится на активном доверии пользователя к организации.
- Тест Wall Street Journal: При принятии решений об использовании данных компания руководствуется простым вопросом: «Как бы мы чувствовали себя, если бы описание этого процесса попало на первую полосу Wall Street Journal?».
По словам CEO Workday, каждая компания обязана внедрить должность директора по этике (chief ethics officer), чтобы квалифицированно отвечать на возникающие вызовы. Контраргумент о том, что автоматизация делает бизнес «слепым» или излишне сложным, Бхусри парирует тезисом о конкуренции: те, кто не использует ML для анализа талантов и финансовых рисков, неизбежно останутся «в пыли» позади конкурентов.
🤝 Культура «сотрудники — прежде всего» 28:40
Фундамент Workday — убеждение, что счастливые сотрудники создают счастливых клиентов. В цифрах это подтверждается 97% уровнем удовлетворенности клиентов.
- Подбор кадров: При найме первых 500 сотрудников Бхусри лично интервьюировал каждого кандидата не на предмет технических навыков, а на предмет соответствия ценностям компании.
- Обучение менеджеров: Одной из проблем быстрого роста (сейчас в компании почти 12 000 сотрудников) стала «размытость» культуры, когда новые руководители приносили чуждые методы управления. Для борьбы с этим был создан «People Leadership Summit».
- Обратная связь: Компания еженедельно проводит «пульс-опросы» (pulse surveys) в анонимном формате, что позволяет руководству оперативно реагировать на настроения в коллективе.
💡 Советы для лидеров 39:02
Бхусри рекомендует руководителям, желающим внедрять ML:
- Начать с прочтения книги «Prediction Machines» (авторы — профессора из Университета Торонто), которая помогает отделить реальную пользу от маркетингового шума.
- Не пытаться внедрять всё и сразу. Следует выбрать 2–3 конкретные бизнес-задачи (например, оптимизация аудита или поиск нехватки навыков в штате) и начать с них.
- Общаться с коллегами из других департаментов — скорее всего, ML уже применяется где-то в вашей компании (например, в маркетинге или логистике), и можно перенять их опыт.
